This section is concerned with the

This section is concerned with the version of K Nearest Neighbor which considers both the feature similarity and the feature value one. The sample words are encoded into numerical vectors whose features are texts by the scheme which was described in section 3.1. The novice word is given as the classification target, and it is also encoded into a numerical vector. Its similarities with the sample words are computed by equation (3) for selecting nearest neighbors, in the proposed version. Therefore, in order to provide the detail algorithm, we describe the proposed KNN version, together with the traditional one.

결과 (한국어) 1:

이 섹션은 기능 유사성 및 1 기능 값을 고려 하는 K 가까운 이웃의 버전에 염려 한다. 샘플 단어 섹션 3.1에서에서 설명 되었다는 계획에 의해 그 기능을 텍스트 숫자 벡터에 인코딩됩니다. 초보 단어 분류 대상으로 지정 되 고 또한 숫자 벡터에 인코딩된. 샘플 단어와의 유사성 이웃, 제안 된 버전에 가장 가까운 선택 수식 (3)으로 계산 됩니다. 따라서, 세부 알고리즘을 제공 하기 위해 전통적인 한 함께 제안된 KNN 버전을 설명 합니다.

결과 (한국어) 2:

이 부분은 특징의 유사성과 특징 량 모두를 고려 하나 K 인접 이웃의 버전에 관한 것이다. 샘플 단어는 그 기능 3.1 절에 설명 된 방식으로 텍스트입니다 수치 벡터로 인코딩된다. 초보자 워드는 분류 대상으로 주어진다하며 또한 수치 벡터로 인코딩된다. 샘플 단어와의 유사성은 제안 된 버전에서, 가장 가까운 이웃을 선택하는 식 (3)에 의해 계산된다. 따라서, 세부 알고리즘을 제공하기 위해, 우리는 함께 전통적인 하나 제안 KNN 버전을 기술한다.

결과 (한국어) 3:

이 길은 관심 버전 이웃 모두 비슷한, 생각해 특성 특성 값.문자 인코딩 샘플 모두 그 특징 텍스트 수치 벡터 방안을 제 3.1 거야.새 단어 분류 목표 거야, 역시 수치 매체 인코딩.그 같은 계산 방정식 샘플 단어 선택 (3) 이웃 안 버전, 지금.그래서 위해 자세한 설명 분류 알고리즘 대해, 우리는 전통 버전, 같이.